项目实训 No.16

项目实训 No.16

整理算法思想

迭代法+去小邻域：

思路：图像可以看成有两部分组成，背景和笔划，他们各自有大概的灰度值范围，因此可以通过选择一个不断的迭代得到一个合适的灰度阈值，将图像成两部分。通过计算邻域面积，去除噪点。
步骤：

K-Means聚类算法：

思路：可以认为笔划的灰度值相近且二维坐标相近，因此可以通过聚类算法，将n个数据对象（x，y，g）划分成k个聚类，使每个聚类中的数据与该聚类中心距离的平方和最小。
步骤：

直方图法：

思路：图像中的笔划和背景之间，存在不同的灰度或平均灰度。通过计算灰度直方图，并在直方图的波峰和波谷是用于定位图像中的簇，从而将笔划和背景分割开。

自适应高斯+大津法：

思路：，在图像中计算前景与背景间的类间方差，方差越大，越能认为两部分关联性越小，即前景与背景区域。通过遍历阈值，当某个阈值下分割的两类像素点之间灰度方差最大的时候，就是最优的阈值。进行一次分割后，将图像分割成一个个的小区域，通过计算邻域中各个像素点到中心点的距离，通过高斯方程得到各个点的权重值，计算得到每个小区域的阈值，进行分割。

模糊C聚类算法（FCM）：

思路：是一种柔性的划分，把源图像和目标图像划分为具有不同灰度值的聚类，然后分析图像中的灰度特征：分别算出每个域的匹配权值，对每个目标图像的匹配权值，从源图像中选取一个最接近域作为最佳匹配域；最后根据目标图像各聚类域与源图像中的匹配域之间的关系，引入隶属度因子，两个域的处理结果分别进行加权平均，使得非相似性指标的价值函数达到最小。

种子区域生长法：

思路：笔划可以认为是有一个区域组成，背景由一个区域组成，通过将具有相同特征的联通区域分割出来，实现笔划和背景的分割。首先对每个需要分割的区域找出一个种子像素作为生长的起点，然后将种子像素周围邻域中与种子有相似性的像素合并到种子像素所在的区域中。而新的像素继续做种子向四周生长：直到再没有满足条件的象素可以包括进来一个区域就生长而成了。

熵算法：

思路：图像的信息熵的意义表征图像灰度分布的聚集特性，设灰度值为i的概率为Pi，假设阈值为T，则灰度值0-T之间的为背景，灰度值为T+1-255的为前景。通过计算前景和背景的信息熵相加，不断比较，得到最大的熵，选择其对应的阈值进行分割。

二进小波变换+FCM：

思路：FCM 聚类算法进行初略分割，然后采用二进小波变换模极大值点对图像进行边缘检测，结合边缘检测的结果与传统 FCM 聚类算法初略分割的结果进行边缘跟踪，从而修改传统FCM 聚类算法中的隶属度函数，再利用修改后的
FCM 聚类算法对甲骨文字图像进行分割